4 月 10 日消息，谷歌升级了大语言模型 Gemini 1.5 Pro，为其配备了“耳朵”，使其能够监听并分析上传的音频文件，从财报电话会议或视频音频中提取关键信息，无需转为书面材料。
在美国时间周二举办的 Google Next 大会上，谷歌宣布，通过其人工智能应用开发平台 Vertex AI，将 Gemini 1.5 Pro 首次对外开放。该模型最初于今年 2 月亮相。
Gemini 1.5 Pro 被视为 Gemini 家族中的“中量级”（middle-weight）模型，其性能已经超越了最大规模、最强大的 Gemini Ultra。谷歌表示，Gemini 1.5 Pro 能够理解复杂指令，而且使用时无需对模型进行特别调整。
需要指出的是，不通过 Vertex AI 的用户无法体验到 Gemini 1.5 Pro 的全部功能。目前，大众主要通过 Gemini 聊天机器人与 Gemini 大语言模型互动。尽管 GeminiUltra 为 Gemini Advanced 聊天机器人提供了强大支持，能理解较长的指令，但在反应速度上不及 Gemini 1.5 Pro。
除了 Gemini 1.5 Pro 的更新，谷歌还对其它大型人工智能模型进行了升级。特别是作为文本转图像生成模型的 Imagen 2，它增强了 Gemini 的图像生成能力。通过引入图像外延（Outpainting）和内填（Inpainting）功能，用户现在能更灵活地对图像的元素进行添加或删除。
为确保 Imagen 模型生成的图片版权和来源可追溯，谷歌为所有生成图片加入了 SynthID 数字水印技术。这种创新技术通过几乎不可见的水印明确标识图片来源，可以通过专用工具进行检测。
Imagen 模型的许多新特性，如图像外延和内填技术，已被其他文本转图像模型采用，例如 Stability AI 的 Stable Cascade 和 Getty 的 Generative AI by iStock。此外，这些技术也被广泛应用于消费电子产品中，如三星 Galaxy 手机。
除图像生成的创新外，谷歌还公开展示了一种结合人工智能生成回答和谷歌搜索结果的方法，旨在为用户提供更实时、更准确的信息。然而，大语言模型生成的回答并非总是精准无误，有时可能会误导用户。因此，谷歌对 Gemini 模型设置了一些限制，比如禁止回答与 2024 年美国大选相关的问题。
此前，Gemini 模型因在生成历史人物描述时出现不准确而受到批评。（小小）
